【学习笔记】混淆矩阵

混淆矩阵(Confusion Matrix),又称为错误矩阵,是一种特别适用于监督学习中分类问题评估模型性能的工具。在机器学习领域,混淆矩阵能够清晰地显示算法模型的分类结果和实际情况之间的差异,常用于二分类和多分类问题。

一个基本的二分类混淆矩阵包含四个部分:

  1. 真正类(True Positive, TP):模型正确预测为正类的样本数。
  2. 假正类(False Positive, FP):模型错误预测为正类的样本数,实际上它们是负类。
  3. 真负类(True Negative, TN):模型正确预测为负类的样本数。
  4. 假负类(False Negative, FN):模型错误预测为负类的样本数,实际上它们是正类。

混淆矩阵通常以表格形式表示,对于二分类问题,其形式如下:

通过混淆矩阵,我们可以计算出多种性能指标来评估分类模型的性能,如准确率(Accuracy)、精确率(Precision)、召回率(Recall)或者真正率(True Positive Rate,TPR)、假正率(False Positive Rate,FPR)以及F1分数等。

准确率(Accuracy)是最直观的性能指标,计算公式为:
A c c u r a c y = T P + T N T P + T N + F P + F N Accuracy = \frac {TP + TN} {TP + TN + FP + FN} Accuracy=TP+TN+FP+FNTP+TN

精确率(Precision)关注的是预测为正类的样本中有多少是真正的正类,计算公式为:
P r e c i s i o n = T P T P + F P Precision = \frac {TP }{TP + FP} Precision=TP+FPTP

召回率(Recall)或真正率(TPR)关注的是所有真正的正类样本中有多少被模型预测为正类,计算公式为:
R e c a l l = T P T P + F N Recall = \frac {TP}{TP + FN} Recall=TP+FNTP

F1分数是精确率和召回率的调和平均值,计算公式为:
F 1 = 2 ∗ ( P r e c i s i o n ∗ R e c a l l ) P r e c i s i o n + R e c a l l F1 = \frac {2 * (Precision * Recall) }{Precision + Recall} F1=Precision+Recall2∗(Precision∗Recall)

对于多分类问题,混淆矩阵会更大,每一行代表实际类别,每一列代表预测类别,但计算各项指标的原理与二分类问题相同。

混淆矩阵的优点在于它不仅提供了错误分类的数量,还告诉我们哪些类别的预测错误最多,这对于改进分类算法和模型调优非常有帮助。

相关推荐
说私域15 小时前
“开源AI智能名片链动2+1模式S2B2C商城小程序”在直播公屏引流中的应用与效果
人工智能·小程序·开源
所愿ღ15 小时前
JavaWeb-Servlet总结及JSP
java·笔记·servlet
Hcoco_me16 小时前
深度学习和神经网络之间有什么区别?
人工智能·深度学习·神经网络
霍格沃兹_测试16 小时前
Ollama + Python 极简工作流
人工智能
资源开发与学习16 小时前
AI智时代:一节课带你玩转 Cursor,开启快速入门与实战之旅
人工智能
西安光锐软件16 小时前
深度学习之损失函数
人工智能·深度学习
补三补四16 小时前
LSTM 深度解析:从门控机制到实际应用
人工智能·rnn·lstm
astragin16 小时前
神经网络常见层速查表
人工智能·深度学习·神经网络
Cellular_Modem笔记16 小时前
5G NR-NTN协议学习系列:NR-NTN介绍(2)
学习·5g·ntn
笨鸟笃行16 小时前
人工智能训练师三级备考笔记
笔记